Pacjenci z przerzutami do wątroby z pierwotnego raka jelita grubego (CRC) charakteryzują się złym rokowaniem. Wskaźnik 5-letniego przeżycia w przypadku pierwotnego raka jelita grubego bez przerzutów (stadium I-III) szacuje się na 75 - 88%3,4, podczas gdy pacjenci z przerzutami do wątroby (stopień IV) mają 5-letnie przeżycie wynoszące tylko 8 - 12%5,6. Jednak pacjenci z przerzutami stanowią niejednorodną grupę, charakteryzującą się różną liczbą przerzutów i różnym czasem nawrotu. Obserwacje kliniczne wskazują, że liczba przerzutów (która może być proporcjonalna do zdolności kolonizacyjnych lub częstości kolonizacji) oraz wielkość pojedynczego przerzutu (proporcjonalna do lokalnego tempa wzrostu) są niezależnymi czynnikami prognostycznymi1,7. Innymi słowy, sukces przerzutowych klonów kolonizujących wątrobę zależy od dwóch głównych właściwości: ich zdolności do wzrostu oraz zdolności do rozprzestrzeniania się i przetrwania w mikrośrodowisku wątroby.
Projektowanie udanych modeli klinicznych z możliwością przechwytywania i ilościowego określania właściwości klonów przerzutowych może drastycznie poprawić nasze zrozumienie biologii przerzutów do wątroby i dostarczyć skutecznego narzędzia do projektowania potencjalnych podejść terapeutycznych. Modele eksperymentalnych przerzutów do wątroby zostały wcześniej opisane8,9, ale żaden z nich nie zapewnił możliwości ilościowego uchwycenia i opisania właściwości poszczególnych przerzutowych klonów zarówno in vivo, jak i ex vivo.
Tutaj prezentujemy nowy, zaawansowany model przerzutów do wątroby, który obejmuje generowanie klonów nowotworowych o różnej wydajności kolonizacji wątroby i właściwościach wzrostu. Zastosowaliśmy połączenie podwójnego znakowania komórek rakowych lucyferazyą i białkiem fluorescencyjnym tdTomato z generowaniem linii komórek monoklonalnych, które mają wewnętrzne różnice w zdolności przerzutowej. W tym modelu eksperymentalnym dane wskazują, że rozwój przerzutów do wątroby można opisać w kategoriach częstości kolonizacji i czasu podwojenia (Td), co jest zgodne z obserwacjami klinicznymi. Ilościowy charakter tego modelu sprawia, że można go łatwo zaadaptować do celów odkrywania leków i diagnostyki.